基于数据挖掘的地方高校内部教学质量评价体系建构

■ 文/林 琳

引入第三方评估似乎已成为中国高等教育质量评估体系的重要组成部分，但在中国高等教育质量保障体系建设中，应该在构建高等教育质量保证体系的基础上，构建高等教育质量保证体系，相应的外部质量是重要的辅助力量。为此，本文重点研究我国地方高校内部教学质量评价体系。

数据挖掘出现在20世纪80年代末，它的目的是从大量复杂、不完整、模糊和随机噪声的实际应用中提取隐藏的、未知但潜在有用的信息和知识。这是数据库知识发现的重要步骤之一。上述目标是通过统计学、信息检索、模式识别、在线分析处理、专家系统（即依靠以往经验获取信息）和机器学习实现的。数据挖掘是一种广泛应用于许多领域的研究范式。本文在探索地方高校教学质量评价体系的基础上，运用数据挖掘的方法和技术，对地方高校教学质量评价指标的建立和评价结果的分类进行了深入研究，对评价结果进行了整合、分析和反馈，从而发现数据之间隐藏的价值规律，加深对地方高校教学质量评价的认识，提高地方高校教学质量，改善管理，促进地方高校的可持续发展。

1 问题与假设

1.1 高校内部教学质量评价体系与数据挖掘研究综述

国外学者对高校教学质量保障机制的研究相对较早，内容较为全面和深入。因此，在实践中，一些国家已经形成了比较成熟、有特色的教育质量保障机制。在这些国家，相关的教育中介组织已经成为实施高等教育外部质量保证活动的主力军，包括政府、社会、高等教育机构、中介组织以及学校管理中的公共责任和自主性中介组织。从我国现有的高校教学质量评价体系研究进展来看，我国学者针对国外以发达国家为主的高等教育质量保障的研究多于对本国高等教育质量保障的研究，并且大多数学者以介绍国外的实际做法和总结显见的可鉴经验为主，对其深层次原因和理论基础缺乏深入系统的研究。研究者热衷于宏观层面的问题研究，对微观和具体操作层面的问题关注不多。多数研究者偏重于外部质量保障体系研究，对于高校内部教学质量保障体系的研究有待加强。研究方法中理论结合实证的运用尚显薄弱。

国外关于高校数据挖掘模式的行动研究。目前，越来越多的高等院校开始借助由教职员工、学生的专业顾问、行政人员组成的人工智能数据挖掘网，寻求学生个性化学习所面临的挑战，了解学生的进步情况。

目前，大部分学校的教学质量评价分析的问题突出表现在两方面：一方面，评价指标体系中各个评价指标均采用相同权重，无法刻画各项指标对评价结果影响的差异程度；另一方面，传统的评价指标体系不仅会降低教学评价结果的可信度，还会为进一步挖掘教学评价数据设置障碍。本项目将在挖掘科学综合评价指标的基础上，合理分配权重，完善评价指标体系，采用数据挖掘中的聚类分析方法，在深入分析和综合反馈的基础上，对评价结果数据进行科学分类，从而获得有针对性的教学管理对策和建议。

1.2 研究问题与对象

基于上述文献综述，本研究主要回答以下几个问题：

（1）基于数据挖掘技术的地方高校内部教学质量评价体系的基本内涵。

（2）基于数据挖掘的地方高校内部教学质量评价体系能否有助于地方高校内部教学质量的提升?

（3）如何基于数据挖掘技术建构地方高校内部教学质量评价体系。

选取L 省的地方高校B 大学为研究对象。因为笔者工作原因，进行行动干预、收集数据、调整行动方案等研究活动较为方便。对研究对象十分了解，非常适合访谈和个案观察的进行，也有助于对后期数据进行质性分析。

2 研究方法

本研究开始于2017年7月底，结束于2021年6月中旬，除去寒假时间共历时近4年，各阶段安排如表1所示。

表1 地方高校内部教学质量评价体系的行动研究各阶段安排

2.1 行动准备

行动研究伊始，收集并阅读大量相关文献，结合研究对象的具体情况，选择数据挖掘中的因子分析法和聚类分析法。釆取因子分析法可以从错综复杂的指标中找出公共因子去测定教师评价各变量之间的相关性，并进行综合评价；同时能够解决传统的多指标等权重或是主观确定指标权重的问题，使得教师评价更加客观、合理。

2.2 行动过程第一阶段

在保证教学计划不影响其他教学事务正常进行的前提下，保证教学设计、课堂视频等资料的保存。通过因子分析建立了综合评价指标体系。根据工作计划安排和思考工作。课程评价分为3 个步骤：

（1）构建评价指标，关注教师的教学过程和学生的学习过程。

（2）收集教学评估实施过程中的数据，形成地方高校教学质量评估数据库。

（3）利用数据统计分析软件对培训数据进行分析，找出数据的变化规律，分析影响地方高校教学质量的因素及各因素之间的关系。

评估数据应包括以下几点：

（1）准确有效的数据，真实反映教育活动的现状；

（2）数据应全面、深入，避免片面、单向的数据收集；

（3）数据收集遵循动态原则；

（4）护理专业学生的数据处理。

假设地方高校内部教学评级指标体系中有P 个指标，X1，X2，X3，…，XP，如果表示为：

则称F1，F2，…，Fm（m ≤p）为公共因子；系数aij（i=1，2，…，P，j=1，2，…，m）为因子载荷。

描述原始变量和公共因子之间的关系。公共因素与特殊因素无关，公共因素与特殊因素无关。因子分析模型不受测量单位的影响，因子负荷矩阵也不唯一。负荷系数矩阵的估计方法有3 种：主成分法、主因子法和最大似然估计主成分分析是最常用的方法。本文用这种方法求解因子模型。常用的聚类方法有系统聚类和K-均值聚类。K-means 聚类算法由于计算量小、方法简单，在处理大样本时效率更高。K 表示类的数量，通常基于问题的分类特征。首先，K 均值聚类根据初始重心的K 值对相似样本进行聚类。地方高校内部教学质量评价指标体系因子分析的公因子方差见表2。

表2 地方高校内部教学质量评价指标体系因子分析的公因子方差

为了提高数据分析的效率和质量，借助相关统计软件，如Excel、Origin、Minitab、MATLAB 等软件进行分析。由于地方高校内部教学质量评价数据量很大，抽取一组数据运用Minitab 进行评价数据分析，其他数据采用统计学软件进行类似分析。

2.3 行动过程第二阶段

在第一阶段行动研究的基础上，修正地方高校内部教学质量评价指标体系。在前轮行动研究的基础上增加质性评价维度，改进基于数据挖掘的地方高校内部教学质量评价指标体系。邀请参加第一阶段行动研究的部分教师、学生进行问卷调查、访谈。日常生活中，教师所用的课堂教学资源包括教案、多媒体课件、微课视频、课程实验、课堂教学录像、教学案例、音频、线上直播教学平台如雨课堂、腾讯会议和超星尔雅等、论文资源、实践活动资源、网络课程资源等。第二阶段的行动过程中，有教师和学生在访谈中谈到“人工智能在教育服务和教学资源中得到应用，越来越多的教师利用人工智能对学生作业提供反馈、利用“虚拟助教”等提高自身的工作效率。例如亚马逊推出了Alexa Education Skills API，该API 使用Alexa 对诸如“Alexa、XX 在数学测试中的表现如何？等查询做出回应”。受访者在疫情期间对地方高校内部教学质量评价体系中课程资源的评价发表意见最多。例如认为课程资源匮乏，无法满足学生学习需求；认为课程资源类型单一，混合式教学实用度不高；课程资源的交互性差；自主学习资源不足，缺乏高质量的学习资源，教学资源相互孤立，与其他课程融合度不高。网络教学实现了所有大学生随时随地学习的目标。线上教学是向学生展示丰富多样的优质课程资源，促进教师逐步掌握和推广网络教育技术和手段，加强高校网络管理，教学方法优化实现了所有高校大学生时时、处处、人人皆可学的目标。持续的在线教学，为广大学生展示丰富多彩的优质课程资源，促进广大教师逐步掌握和提升网络化教学技术和手段，也促进了高校管理队伍网络管理水平的提升和教学手段的转变。线上教学、混合式教学对教师的教学能力、教学资源开发与使用等提出了新的机遇与挑战，同时，也对地方高校内部教学质量评价体系提出了新的挑战。针对第一轮行动研究和调查问卷、访谈的结果，改进地方高校内部教学质量评价指标体系，尤其在教学资源建设与应用方面，增加对适应“互联网+”课程教学需要的智慧教室、智能实验室教学设施和条件建设及使用效果。

3 行动总结

欧盟启动了2018年数据保护年（GDPR），中国也启动了社会信用体系。本研究运用数据挖掘的方法，构建了地方高校教学质量评价模型，并通过因子分析得出了教学质量评价的综合指标。通过因子分析构建的综合评价指标能有效反映各评价指标对现有教学的重要性，基于综合评价指标因子得分的聚类分析能更清晰合理地划分地方高校；教学水平层次分析法的结果表明，地方高校的教学资源利用率低于学生，说明地方高校应重视教学资源的利用。此外，高校倡导的“加强研究性教学”战略的实施对课堂教学质量产生了积极影响。本研究所采用的数据挖掘方法也适用于其他类型的学校内部教学质量评价体系。在教学评价指标体系的构建上，根据具体要求和教学实践，在构建不同的教学评价指标体系的基础上，对不同类型、不同特点的学科和课程进行分类，利用数据挖掘技术可以帮助教育管理者发现评价指标数据之间的隐藏规律，提高对地方高校教学评价的认识。采用数据挖掘技术，才能更好地帮助教学管理者发现评价指标数据之间的隐含规律，提高对地方高校内部教学评价的认识。